CN118014274A - 一种物流机器人集群调度方法、装置及调度服务器 - Google Patents
一种物流机器人集群调度方法、装置及调度服务器 Download PDFInfo
- Publication number
- CN118014274A CN118014274A CN202410146069.9A CN202410146069A CN118014274A CN 118014274 A CN118014274 A CN 118014274A CN 202410146069 A CN202410146069 A CN 202410146069A CN 118014274 A CN118014274 A CN 118014274A
- Authority
- CN
- China
- Prior art keywords
- logistics
- robot
- information
- task
- scheduling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000015654 memory Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 22
- 238000012384 transportation and delivery Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013439 planning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 7
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流管理***技术领域,公开了一种物流机器人集群调度方法、装置及调度服务器,本发明应用于一种物流机器人集群调度***,所述***包括:调度服务器、用户终端、多台物流机器人;由调度服务器执行,从用户终端获取目标任务信息和每台物流机器人的数据信息,通过利用预设的任务调度工具结合目标任务信息、物流机器人数据信息以及预先获取的物流场景地图数据,生成高效的物流机器人集群调度策略;将调度策略分发至一台或多台物流机器人,以指导它们根据策略执行相应的物流调度任务。通过集群调度,可以灵活协调多台物流机器人的工作,避免了现有技术中存在的机器人集群调度策略存在的资源浪费和冲突,从而有效提高整体的物流调度效率。
Description
技术领域
本发明涉及物流管理***技术领域,具体涉及一种物流机器人集群调度方法、装置及调度服务器。
背景技术
物流机器人是专门设计用于执行物流和仓储任务的机器人***。它们被广泛用于仓库、分销中心、制造业、电子商务和物流行业,以改善物流效率、降低成本和减少人力需求,这些机器人使用导航技术,如激光雷达、摄像头、激光导航、超声波传感器和编码器等,来自主导航并执行各种物流任务,如货物搬运、货架取货、运输、分拣和库存管理。
在现代工业、仓储、农业、医疗和物流领域,物流机器人集群越来越常见,用于自动化任务执行。然而,物流机器人集群的协调和调度是一个复杂的问题。传统***往往基于静态的调度策略,难以灵活应对任务变化和环境的不确定性,导致适应性差,缺乏动态的资源调度能力,导致机器人资源利用效率不高,空闲时间增多。因此,需要一种更加灵活、智能的调度***来实现对机器人的高效调度。
发明内容
有鉴于此,本发明提供了一种物流机器人集群调度方法、装置及调度服务器,以解决现有调度***灵活性差,物流调度效率低下的问题。
第一方面,本申请提供了一种物流机器人集群调度方法,该方法应用于一种物流机器人集群调度***,***包括:调度服务器、用户终端、多台物流机器人;方法由调度服务器执行,方法包括:
获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息;
根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略;
将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。
本发明实施例通过实时监控和调度策略的生成,可以确保物流任务在高效率下执行,可以根据实时情况动态调整任务分配和路线规划,使得物流机器人能够更有效地完成任务,同时,通过集群调度,可以更好地灵活协调多台物流机器人的工作,避免了现有技术中存在的机器人集群调度策略存在的资源浪费和冲突,从而有效提高整体的物流调度效率。
可选的,目标任务信息包括:任务优先级、目标地点、待运输物品的重量信息;机器人数据信息包括:机器人位置信息、机器人电量信息、机器人载荷信息;物流场景地图数据包括:物流场景中通行路径信息、充电桩位置信息、运送点位置信息;
根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略,包括:
根据机器人位置信息、目标地点、任务优先级,以及通行路径信息,为一台或多台物流机器人分配待执行任务,任务优先级控制指令,以及任务执行路径,任务优先级控制指令用以指示待执行任务的执行顺序;
基于充电桩位置信息、运送点位置信息、机器人位置信息、机器人电量信息、机器人载荷信息,以及待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令,机器人电量状态控制指令用以指示机器人是否到预设位置的充电桩进行充电操作;
其中,待执行任务、任务优先级控制指令、电量状态控制指令和任务执行路径,构成物流机器人集群调度策略。
本发明实施例通过综合考虑任务优先级、机器人位置、电量和载荷情况,以及物流场景地图等信息,生成了一套的调度策略,帮助物流机器人集群高效地执行任务、确定任务执行顺序、合理安排机器人的充电行为,能够根据实时环境变化和任务需求,动态调整机器人的路径规划,从而最大程度地提高物流作业效率和机器人资源利用率,增强了对实时情况的响应能力,确保物流任务高效执行。
可选的,基于充电桩位置信息、运送点位置信息、机器人位置信息、机器人电量信息、机器人载荷信息,以及待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令,包括:
基于机器人电量信息和机器人载荷信息,确定第一距离,第一距离为物流机器人的最远行驶距离;基于运送点位置信息、机器人位置信息,确定第二距离,第二距离为物流机器人的待行驶距离;
基于运送点位置信息和充电桩位置信息,确定距离运送点最近的目标充电桩,并获取目标充电桩和运送点位置之间的第三距离;
当第一距离和第二距离之间的差值,大于或者等于第三距离时,电量状态控制指令包括:将待运输物品由物流机器人的当前所在位置运输至运送点位置后,检测物流机器人的电量是否小于预设电量阈值;
并在确定物流机器人的电量小于预设电量阈值时,控制物流机器人运行至目标充电桩进行充电;
或者,当物流机器人的电量大于或者等于预设电量阈值时,则继续等待调度服务器分配的调度任务。
本发明实施例通过考虑机器人电量、载荷和待运输物品重量等因素,算法可以生成最优路径,确保物流机器人在运输物品的同时最大限度地保持电量,当机器人的电量接近预设阈值时,则判断是否需要充电,如果机器人的最远行驶距离和待行驶距离之间的差异大于目标充电桩与运送点之间的距离,控制机器人先运送物品,然后前往最近的充电桩进行充电,完成智能的充电决策,通过合理分配任务和充电时机的判定,避免了现有技术中存在机器人充电资源分配不均导致整体物流运输效果低下的情况,确保机器人在运输过程中始终保持足够的电量,从而提高集群的物流机器人在整体运输过程中的效率。
可选的,当第一距离和第二距离之间的差值,小于第三距离时,电量状态控制指令包括:
根据机器人位置信息和充电桩位置信息,查找距离物流机器人的当前所在位置最近的充电桩;
控制物流机器人运行至距离物流机器人的当前所在位置最近的充电桩进行充电后,将待运输物品由物流机器人的当前所在位置运输至运送点位置。
本发明实施例通过判断出机器人的最远行驶距离与待行驶距离之间的差值较小,机器人能够行驶的距离已经无法满足机器人的到充电桩的需求距离,而目标充电桩离当前位置较近时,则直接指示机器人前往最近的充电桩进行充电。因为机器人无需先行驶到运送点再返回充电,所以可以节省时间,并且保证物流机器人具有充足的电量运输物品,进一步减少了行驶路程,灵活选择充电桩,***可以更有效地利用充电设施,避免某些充电桩过度使用而导致的拥堵或等待,能够合理利用充电桩资源。
可选的,物流场景地图数据还包括:物流机器人待机点位置信息;
物流机器人待机点位置为物流机器人停止工作时,或者等待充电时的停放位置。
本发明实施例中机器人在等待工作或充电时存在一个停放位置,即待机点;待机点的位置能够确保在物流场景中合理规划停放区域,最大程度地利用空间,避免机器人随意停放或造成空间浪费、物流运输混乱或者影响其他机器人正常工作。
可选的,任务执行路径包括一条或多条分支路径,物流机器人集群调度策略还包括:
当多个待执行任务对应的任务执行路径之间存在多条分支路径重复时,将多个待执行任务分配给统一物流机器人合并执行。
本发明实施例通过合并执行相同分支路径上的多个任务,将多任务交由同一个物流机器人来处理,减少机器人在路径上的重复行驶从而产生浪费资源,进一步提高整个物流***的执行效率,使任务能够更快速地完成。
可选的,该方法还包括:
周期性采集每一台物流机器人的任务执行情况和环境数据;
基于每一台物流机器人的任务执行情况和环境数据,优化物流机器人集群调度策略,其中,任务执行情况包括任务执行的开始时间、结束时间、移动速度、电量消耗比例、执行过程中是否存在异常行为以及执行结果;环境数据包括环境中的障碍物、人流密集区域以及货架状态。
本发明实施例通过定期收集任务执行情况和环境数据,实时了解每个机器人的运行状况以及周围环境的变化、能耗、异常行为等;基于这些数据优化调度策略,实时性更高,进一步提高整个物流机器人集群的运行水平。
可选的,方法还包括:获取每个物流区域在不同时间段的物流需求信息,以及每一台物流机器人的运行状态,其中,物流需求信息包括:同一天内的不同时间段和不同区域的货架存储情况;运行状态包括执行不同任务时的时长和当前电量信息;基于物流需求信息,提取时间特征和区域特征;
基于每一台物流机器人的运行状态,提取电量特征、执行任务时长特征;
基于时间特征、区域特征、电量特征以及执行任务时长特征,利用预构建的物流预测模型进行实时预测;
并基于实时预测结果,对物流机器人集群调度策略进行优化。
本发明实施例通过收集物流需求信息和机器人运行状态,提取时间、区域、电量和任务执行时长等特征,并应用于预测模型,以更准确地预测需求和机器人的工作状态,对物流情况变化的响应度更高,调度策略进行优化的效果更好,从而保证整个调度的准确性以及实时性。
第二方面,提供了一种物流机器人集群调度装置,该装置包括:
数据获取模块,用于获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息;
策略生成模块,用于根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略;
策略下发模块,用于将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。
第三方面,本发明提供了一种调度服务器,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一项实施例的物流机器人集群调度方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的物流机器人集群调度方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的物流机器人集群调度方法的流程示意图;
图2是根据本发明实施例的另一物流机器人集群调度方法的流程示意图;
图3是根据本发明实施例的另一物流机器人集群调度方法的流程示意图;
图4是根据本发明实施例的另一物流机器人集群调度方法的流程示意图;
图5是根据本发明实施例的物流机器人集群调度装置的模块组成示意图;
图6是本发明实施例的调度服务器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明实施例,提供了一种物流机器人集群调度***,包括调度服务器、用户终端和多台物流机器人。物流机器人集群调度***的主要功能是根据用户需求生成任务信息,通过调度服务器智能地分配任务给物流机器人,并利用机器学习模块进行作业状态和物流需求的预测,从而优化调度策略。其中,调度服务器根据用户终端上传的需求信息生成任务,并利用预设的调度工具进行智能调度。服务器还集成了机器学习模块,用于预测机器人的作业状态和物流需求,以优化任务分配;用户通过用户终端上传需求信息;多台机器人负责执行任务,通过场景建模和传感器信息生成物流场景地图数据,机器人还根据服务器下发的控制指令执行任务,并上传实时机器人数据信息。
本发明实施例提供的一种物流机器人集群调度方法,应用于各种需要物流服务的场合,比如超市货架管理、仓库货物搬运、医院药品运输等,通过智能集群的机器人物流调度和预测,提高物流机器人的效率,不仅减少能耗,还满足实时性的需求。
根据本发明实施例,提供了一种物流机器人集群调度方法实施例,需要说明的是,在附图的流程图示出的步骤可以在调度服务器中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种物流机器人集群调度方法,图1是根据本发明实施例的物流机器人集群调度方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息。
需要说明的是,目标任务信息指的是由用户终端上传的具体物流任务的相关信息,用户终端可以是配置物流运送软件的手机,电脑等;机器人数据信息是每台物流机器人上传的状态信息。
示例性的,在医院物流配送场景中,目标任务信息是护士通过客户端软件二维码、NFC扫描或手动输入的方式添加、提交的具体任务,如将血袋从血库送往检验科,而机器人数据信息是指医院工作机器人自身的定位、电量等,如机器人位置的坐标,电量的具体数值等。
步骤S102,根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略。
需要说明的是,物流场景地图数据指的是物流应用场景的地图,例如医院地图数据;预设任务调度工具是事先设计的组件,用以根据目标任务信息、机器人数据信息和物流场景地图数据等,生成合理的物流机器人集群调度策略;本发明实施例中预设任务调度工具可以是Airflow,Airflow是一个开源的工作流自动化和调度的工具,它被用来配置、编排和管理复杂的工作流,这些工作流可能涉及到数据处理、ETL(Extract,Transform,Load)、任务调度等;Airflow提供了一个以编程方式管理任务流的平台,使用Python编写任务并定义任务之间的依赖关系。
示例性的,首先需要在调度服务器上安装Airflow,并进行基本的配置。安装可以通过Python软件包管理工具pip直接进行安装,选用SQLite数据库作为存储调度运行信息以及对应日志记录,安装完成后创建管理员用户账号并指定web端口即可通过浏览器访问调度后台管理页面;再使用无线通信模块将机器人和调度服务器通过WiFi信号连接至同一个局域网内,固定对应设备的ip地址,完成机器人与调度服务器的通讯;使用多台机器人中的一台机器人进行SLAM建图,确保地图准确记录运送点、充电桩、待机点等信息,通过机器人的传感器(如激光雷达、相机)收集环境数据,并使用SLAM算法生成地图;由完成SLAM建图的机器人将地图数据上传至调度服务器,通常通过网络传输(例如HTTP POST请求);调度服务器接收地图数据后,将其同步给其他物流机器人,确保整个机器人群体都使用相同的地图信息。
步骤S103,将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。
需要说明的是,机器人集群调度策略是由预设任务调度工具生成的能够指导一台或多台机器人的行动的策略。
本发明实施例通过实时监控和调度策略的生成,可以确保物流任务在高效率下执行,可以根据实时情况动态调整任务分配和路线规划,使得物流机器人能够更有效地完成任务,同时,通过集群调度,可以更好地灵活协调多台物流机器人的工作,避免了现有技术中存在的机器人集群调度策略存在的资源浪费和冲突,从而有效提高整体的物流调度效率。
在本实施例中提供了一种物流机器人集群调度方法,图2是根据本发明实施例的物流机器人集群调度方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略。
在一种可选的实施方式中,目标任务信息包括:任务优先级(例如紧急任务为一级、较紧急任务为二级,以此类推)、目标地点(例如某个科室、病房等)、待运输物品的重量信息(例如血袋、药品具体重量);机器人数据信息包括:机器人位置信息(例如机器人当前坐标)、机器人电量信息(例如机器人当前的电量为70%)、机器人载荷信息(例如机器人当前负载重量为1kg);物流场景地图数据包括:物流场景中通行路径信息(例如医院内部的地图信息,包括走廊、电梯等可以供机器人通行的路径)、充电桩位置信息(例如某个充电桩具体坐标)、运送点位置信息(例如全部需要机器人运送的地点,例如全部科室、病房、医院仓库的全部置物架坐标)。
在一种可选的实施方式中,物流场景地图数据还包括:物流机器人待机点位置信息;物流机器人待机点位置为物流机器人停止工作时,或者等待充电时的停放位置。
可以理解的是,机器人在等待工作或充电时存在一个停放位置,即待机点;待机点的位置能够确保在物流场景中合理规划停放区域,最大程度地利用空间,避免机器人随意停放或造成空间浪费、物流运输混乱或者影响其他机器人正常工作。
具体的,则上述步骤S202包括:
步骤S2021,根据机器人位置信息、目标地点、任务优先级,以及通行路径信息,为一台或多台物流机器人分配待执行任务,任务优先级控制指令,以及任务执行路径。
其中,任务优先级控制指令用以指示待执行任务的执行顺序。
示例性的,可以利用统计算法、路径规划算法等计算每台机器人到各个目标地点的距离,并结合任务的优先级,根据距离和任务优先级,为每台机器人分配待执行任务,计算出每台机器人的最佳路径,以实现高效的物流调度。
步骤S2022,基于充电桩位置信息、运送点位置信息、机器人位置信息、机器人电量信息、机器人载荷信息,以及待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令。
其中,机器人电量状态控制指令用以指示机器人是否到预设位置的充电桩进行充电操作。
具体的,上述步骤S2022,包括:
A1,基于机器人电量信息和机器人载荷信息,确定第一距离,第一距离为物流机器人的最远行驶距离。
A2,基于运送点位置信息、机器人位置信息,确定第二距离,第二距离为物流机器人的待行驶距离。
A3,基于运送点位置信息和充电桩位置信息,确定距离运送点最近的目标充电桩,并获取目标充电桩和运送点位置之间的第三距离。
示例性的,机器人Robot1的电量允许行驶300m,Robot2为250m,Robot3为400m;Robot1需要行驶250m到达病房1,Robot2需要行驶200m到达病房2,Robot3需要行驶300m到达病房2;距离病房1最近的充电桩是充电桩A为40m,距离病房2最近的充电桩是充电桩B为60m。
A4,当第一距离和第二距离之间的差值,大于或者等于第三距离时,电量状态控制指令包括:将待运输物品由物流机器人的当前所在位置运输至运送点位置后,检测物流机器人的电量是否小于预设电量阈值;并在确定物流机器人的电量小于预设电量阈值时,控制物流机器人运行至目标充电桩进行充电;或者,当物流机器人的电量大于或者等于预设电量阈值时,则继续等待调度服务器分配的调度任务。
示例性的,如果机器人的最远行驶距离和待行驶距离之差大于或等于目标充电桩与运送点之间的距离,那么发出电量状态控制指令,让机器人先运送物品到达目标,然后再前往最近的充电桩充电。例如,Robot1能够完成病房1的送货任务后再前往充电桩A。
可以理解的是,通过考虑机器人电量、载荷和待运输物品重量等因素,算法可以生成最优路径,确保物流机器人在运输物品的同时最大限度地保持电量,当机器人的电量接近预设阈值时,则判断是否需要充电,如果机器人的最远行驶距离和待行驶距离之间的差异大于目标充电桩与运送点之间的距离,控制机器人先运送物品,然后前往最近的充电桩进行充电,完成智能的充电决策,通过合理分配任务和充电时机的判定,避免了现有技术中存在机器人充电资源分配不均导致整体物流运输效果低下的情况,确保机器人在运输过程中始终保持足够的电量,从而提高集群的物流机器人在整体运输过程中的效率。
A5,当第一距离和第二距离之间的差值,小于第三距离时,电量状态控制指令包括:根据机器人位置信息和充电桩位置信息,查找距离物流机器人的当前所在位置最近的充电桩;控制物流机器人运行至距离物流机器人的当前所在位置最近的充电桩进行充电后,将待运输物品由物流机器人的当前所在位置运输至运送点位置。
示例性的,如果机器人的最远行驶距离和待行驶距离之差小于目标充电桩与运送点之间的距离,那么发出电量状态控制指令,让机器人直接前往最近的充电桩充电,然后再将物品送到目标地点。例如,如果Robot2的电量不足以覆盖病房1的行驶距离,但充电桩C距离较近,就直接去充电桩C充电。
可以理解的是,通过判断出机器人的最远行驶距离与待行驶距离之间的差值较小,机器人能够行驶的距离已经无法满足机器人的到充电桩的需求距离,而目标充电桩离当前位置较近时,则直接指示机器人前往最近的充电桩进行充电。因为机器人无需先行驶到运送点再返回充电,所以可以节省时间,并且保证物流机器人具有充足的电量运输物品,进一步减少了行驶路程,灵活选择充电桩,***可以更有效地利用充电设施,避免某些充电桩过度使用而导致的拥堵或等待,能够合理利用充电桩资源。
步骤S2023,待执行任务、任务优先级控制指令、电量状态控制指令和任务执行路径,构成物流机器人集群调度策略。
在一种可选的实施方式中,任务执行路径包括一条或多条分支路径,物流机器人集群调度策略还包括:当多个待执行任务对应的任务执行路径之间存在多条分支路径重复时,将多个待执行任务分配给统一物流机器人合并执行。
示例性的,任务调度前,可以对待执行任务的路径进行分析,检测是否存在多个任务对应的路径有重复的部分,具体的路径重复检测算法可以通过比较路径的关键节点或关键区域来实现,准确获取路径交叉段以及重复段。根据这些交叉段以及重复段进行合并;也可以利用贝叶斯算法等概率计算方法计算路径的相似度阈值,选取相似度较高的路径进行合并,根据合并后的路段更新被合并的物流机器人执行任务的路径,将合并后的路径应用到具体的物流机器人上。需要说明的是,合并时还需要考虑保证合并后的任务不超过物流机器人的负荷能力、合并后的任务不会导致物流机器人电量不足等。
可以理解的是,通过合并执行相同分支路径上的多个任务,将多任务交由同一个物流机器人来处理,减少机器人在路径上的重复行驶从而产生浪费资源,进一步提高整个物流***的执行效率,使任务能够更快速地完成。
步骤S203,将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。详细请参见图1所示实施例的步骤S103,在此不再赘述。
本发明实施例通过综合考虑任务优先级、机器人位置、电量和载荷情况,以及物流场景地图等信息,生成了一套的调度策略,帮助物流机器人集群高效地执行任务、确定任务执行顺序、合理安排机器人的充电行为,能够根据实时环境变化和任务需求,动态调整机器人的路径规划,从而最大程度地提高物流作业效率和机器人资源利用率,增强了对实时情况的响应能力,确保物流任务高效执行。
在本实施例中提供了一种物流机器人集群调度方法,图3是根据本发明实施例的物流机器人集群调度方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S302,根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S303,将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S304,周期性采集每一台物流机器人的任务执行情况和环境数据。
步骤S305,基于每一台物流机器人的任务执行情况和环境数据,优化物流机器人集群调度策略。
其中,任务执行情况包括任务执行的开始时间、结束时间、移动速度、电量消耗比例、执行过程中是否存在异常行为以及执行结果;环境数据包括环境中的障碍物、人流密集区域以及货架状态。
示例性的,在执行任务过程中Robot1,每间隔30s上传一次电量消耗比例,通过对电量消耗比例进行消耗速度计算,发现Robot1电量消耗较快,频繁陷入低电量状态,则可以根据Robot1的位置信息确定距离Robot1最近的充电桩,生成充电路径优化指令,以更新机器人现有的路径。优化指令的生成是基于实时周期性反馈的任务执行情况和环境数据得到的,能够动态地优化物流机器人集群的调度策略,以适应不断变化的任务需求和环境条件。
本发明实施例通过定期收集任务执行情况和环境数据,实时了解每个机器人的运行状况以及周围环境的变化、能耗、异常行为等;基于这些数据优化调度策略,实时性更高,进一步提高整个物流机器人集群的运行水平。
在本实施例中提供了一种物流机器人集群调度方法,图4是根据本发明实施例的物流机器人集群调度方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S402,根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S403,将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S404,获取每个物流区域在不同时间段的物流需求信息,以及每一台物流机器人的运行状态。
其中,物流需求信息包括:同一天内的不同时间段和不同区域的货架存储情况;运行状态包括执行不同任务时的时长和当前电量信息。
示例性的,若存在一个超市货架管理物流场景,则物流需求信息可以是区域1的A货架早上有20个商品,A货架中午有15个商品;运行状态可以是机器人X当前状态为“执行任务”,正在将商品送至货架A,执行时长为2小时,电量为50%。
步骤S405,基于物流需求信息,提取时间特征和区域特征;基于每一台物流机器人的运行状态,提取电量特征、执行任务时长特征。
示例性的,将一天划分为早上、中午、下午等时间段,作为时间特征;提取不同区域的货物存储情况,例如每个区域的货架上商品数量作为区域特征;将每台物流机器人当前的电池电量水平作为电量特征;将每台物流机器人执行一个任务所需的时间作为执行任务时长特征。
步骤S406,基于时间特征、区域特征、电量特征以及执行任务时长特征,利用预构建的物流预测模型进行实时预测;并基于实时预测结果,对物流机器人集群调度策略进行优化。
需要说明的是,利用预构建的物流预测模型进行实时预测。基于提取的时间特征、区域特征、电量特征以及执行任务时长特征,模型能够预测的物流需求和机器人状态,优化调度策略;模型构建的方法可以采用机器学习算法,利用预设的神经网络模型进行训练。通过实时预测能够做出智能决策,从而优化物流机器人的运作和整个物流运行的效率。
示例性的,若预测得到机器人未来1小时后电量将不足10%,则查找最近的充电桩,生成充电路径优化指令,更新机器人现有的路径;若预测得到某个货架A在中午时刻的存量不足10%,则自动为机器人重新生成待分配任务,下发至一台或多台机器人,减少人工任务分配操作,实现自动化、智能化的机器人调度策略。
本发明实施例通过收集物流需求信息和机器人运行状态,提取时间、区域、电量和任务执行时长等特征,并应用于预测模型,以更准确地预测需求和机器人的工作状态,对物流情况变化的响应度更高,调度策略进行优化的效果更好,从而保证整个调度的准确性以及实时性。
在本实施例中还提供了一种物流机器人集群调度装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种物流机器人集群调度装置,如图5所示,包括:
数据获取模块501,用于获取用户终端上传的目标任务信息和每一台物流机器人上传的机器人数据信息;
策略生成模块502,用于根据目标任务信息、每一台物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略;
策略下发模块503,用于将物流机器人集群调度策略分发至多台物流机器人中的一台或多台物流机器人,用以一台或多台物流机器人根据物流机器人集群调度策略运行相应的物流调度任务。
在一种可选的实施方式中,目标任务信息包括:任务优先级、目标地点、待运输物品的重量信息;机器人数据信息包括:机器人位置信息、机器人电量信息、机器人载荷信息;物流场景地图数据包括:物流场景中通行路径信息、充电桩位置信息、运送点位置信息;
策略生成模块502,包括:
顺序控制单元,用于根据机器人位置信息、目标地点、任务优先级,以及通行路径信息,为一台或多台物流机器人分配待执行任务,任务优先级控制指令,以及任务执行路径,任务优先级控制指令用以指示待执行任务的执行顺序;
电量控制单元,用于基于充电桩位置信息、运送点位置信息、机器人位置信息、机器人电量信息、机器人载荷信息,以及待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令,机器人电量状态控制指令用以指示机器人是否到预设位置的充电桩进行充电操作;
其中,待执行任务、任务优先级控制指令、电量状态控制指令和任务执行路径,构成物流机器人集群调度策略。
在一种可选的实施方式中,电量控制单元,包括:
第一距离采集子单元,用于基于机器人电量信息和机器人载荷信息,确定第一距离,第一距离为物流机器人的最远行驶距离;
第二距离采集子单元,用于基于运送点位置信息、机器人位置信息,确定第二距离,第二距离为物流机器人的待行驶距离;
第三距离采集子单元,用于基于运送点位置信息和充电桩位置信息,确定距离运送点最近的目标充电桩,并获取目标充电桩和运送点位置之间的第三距离;
当第一距离和第二距离之间的差值,大于或者等于第三距离时,电量状态控制指令包括:将待运输物品由物流机器人的当前所在位置运输至运送点位置后,检测物流机器人的电量是否小于预设电量阈值;并在确定物流机器人的电量小于预设电量阈值时,控制物流机器人运行至目标充电桩进行充电;或者,当物流机器人的电量大于或者等于预设电量阈值时,则继续等待调度服务器分配的调度任务。
在一种可选的实施方式中,当第一距离和第二距离之间的差值,小于第三距离时,电量状态控制指令包括:根据机器人位置信息和充电桩位置信息,查找距离物流机器人的当前所在位置最近的充电桩;控制物流机器人运行至距离物流机器人的当前所在位置最近的充电桩进行充电后,将待运输物品由物流机器人的当前所在位置运输至运送点位置。
在一种可选的实施方式中,物流场景地图数据还包括:物流机器人待机点位置信息;物流机器人待机点位置为物流机器人停止工作时,或者等待充电时的停放位置。
在一种可选的实施方式中,任务执行路径包括一条或多条分支路径,物流机器人集群调度策略还包括:当多个待执行任务对应的任务执行路径之间存在多条分支路径重复时,将多个待执行任务分配给统一物流机器人合并执行。
在一种可选的实施方式中,上述装置还包括反馈模块,用于周期性采集每一台物流机器人的任务执行情况和环境数据;基于每一台物流机器人的任务执行情况和环境数据,优化物流机器人集群调度策略,其中,任务执行情况包括任务执行的开始时间、结束时间、移动速度、电量消耗比例、执行过程中是否存在异常行为以及执行结果;环境数据包括环境中的障碍物、人流密集区域以及货架状态。
在一种可选的实施方式中,上述装置还包括实时预测模块,用于:获取每个物流区域在不同时间段的物流需求信息,以及每一台物流机器人的运行状态,其中,物流需求信息包括:同一天内的不同时间段和不同区域的货架存储情况;运行状态包括执行不同任务时的时长和当前电量信息;基于物流需求信息,提取时间特征和区域特征;基于每一台物流机器人的运行状态,提取电量特征、执行任务时长特征;基于时间特征、区域特征、电量特征以及执行任务时长特征,利用预构建的物流预测模型进行实时预测;并基于实时预测结果,对物流机器人集群调度策略进行优化。
本发明实施例通过实时监控和调度策略的生成,可以确保物流任务在高效率下执行,可以根据实时情况动态调整任务分配和路线规划,使得物流机器人能够更有效地完成任务,同时,通过集群调度,可以更好地灵活协调多台物流机器人的工作,避免了现有技术中存在的机器人集群调度策略存在的资源浪费和冲突,从而有效提高整体的物流调度效率。
本实施例中的物流机器人集群调度装置是以功能单元的形式来呈现,这里的单元指的是ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种调度服务器,具有上述图5所示的物流机器人集群调度装置。
请参阅图6,图6是本发明可选实施例提供的一种调度服务器的结构示意图,如图6所示,该调度服务器包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在调度服务器内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个调度服务器,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据调度服务器的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该调度服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该调度服务器还包括通信接口30,用于该调度服务器与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入所附权利要求所限定的范围之内。
Claims (11)
1.一种物流机器人集群调度方法,其特征在于,所述方法应用于一种物流机器人集群调度***,所述***包括:调度服务器、用户终端、多台物流机器人;所述方法由所述调度服务器执行,所述方法包括:
获取用户终端上传的目标任务信息和每一台所述物流机器人上传的机器人数据信息;
根据所述目标任务信息、每一台所述物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略;
将所述物流机器人集群调度策略分发至多台所述物流机器人中的一台或多台物流机器人,用以所述一台或多台物流机器人根据所述物流机器人集群调度策略运行相应的物流调度任务。
2.根据权利要求1所述的方法,其特征在于,所述目标任务信息包括:任务优先级、目标地点、待运输物品的重量信息;所述机器人数据信息包括:机器人位置信息、机器人电量信息、机器人载荷信息;所述物流场景地图数据包括:所述物流场景中通行路径信息、充电桩位置信息、运送点位置信息;
所述根据所述目标任务信息、每一台所述物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略,包括:
根据所述机器人位置信息、所述目标地点、所述任务优先级,以及所述通行路径信息,为一台或多台所述物流机器人分配待执行任务,任务优先级控制指令,以及任务执行路径,所述任务优先级控制指令用以指示所述待执行任务的执行顺序;
基于所述充电桩位置信息、所述运送点位置信息、所述机器人位置信息、机器人电量信息、机器人载荷信息,以及所述待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令,所述机器人电量状态控制指令用以指示所述机器人是否到预设位置的充电桩进行充电操作;
其中,所述待执行任务、所述任务优先级控制指令、所述电量状态控制指令和所述任务执行路径,构成所述物流机器人集群调度策略。
3.根据权利要求2所述的方法,其特征在于,所述基于所述充电桩位置信息、所述运送点位置信息、所述机器人位置信息、机器人电量信息、机器人载荷信息,以及所述待运输物品的重量信息,利用预设任务调度工具中的路径规划算法生成机器人电量状态控制指令,包括:
基于机器人电量信息和机器人载荷信息,确定第一距离,所述第一距离为所述物流机器人的最远行驶距离;
基于所述运送点位置信息、所述机器人位置信息,确定第二距离,所述第二距离为所述物流机器人的待行驶距离;
基于所述运送点位置信息和所述充电桩位置信息,确定距离运送点最近的目标充电桩,并获取所述目标充电桩和所述运送点位置之间的第三距离;
当所述第一距离和所述第二距离之间的差值,大于或者等于所述第三距离时,所述电量状态控制指令包括:
将所述待运输物品由所述物流机器人的当前所在位置运输至运送点位置后,检测所述物流机器人的电量是否小于预设电量阈值;
并在确定所述物流机器人的电量小于预设电量阈值时,控制所述物流机器人运行至所述目标充电桩进行充电;
或者,当所述物流机器人的电量大于或者等于所述预设电量阈值时,则继续等待所述调度服务器分配的调度任务。
4.根据权利要求3所述的方法,其特征在于,当所述第一距离和所述第二距离之间的差值,小于所述第三距离时,所述电量状态控制指令包括:
根据所述机器人位置信息和所述充电桩位置信息,查找距离所述物流机器人的当前所在位置最近的充电桩;
控制所述物流机器人运行至距离所述物流机器人的当前所在位置最近的充电桩进行充电后,将所述待运输物品由所述物流机器人的当前所在位置运输至运送点位置。
5.根据权利要求2至4中任一项所述的方法,其特征在于,所述物流场景地图数据还包括:物流机器人待机点位置信息;所述物流机器人待机点位置为所述物流机器人停止工作时,或者等待充电时的停放位置。
6.根据权利要求2至4中任一项所述的方法,其特征在于,所述任务执行路径包括一条或多条分支路径,所述物流机器人集群调度策略还包括:
当多个所述待执行任务对应的任务执行路径之间存在多条分支路径重复时,将所述多个待执行任务分配给统一物流机器人合并执行。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
周期性采集每一台所述物流机器人的任务执行情况和环境数据;
基于每一台所述物流机器人的任务执行情况和所述环境数据,优化所述物流机器人集群调度策略,其中,所述任务执行情况包括任务执行的开始时间、结束时间、移动速度、电量消耗比例、执行过程中是否存在异常行为以及执行结果;所述环境数据包括环境中的障碍物、人流密集区域以及货架状态。
8.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
获取每个物流区域在不同时间段的物流需求信息,以及每一台所述物流机器人的运行状态,其中,所述物流需求信息包括:同一天内的不同时间段和不同区域的货架存储情况;所述运行状态包括执行不同任务时的时长和当前电量信息;
基于所述物流需求信息,提取时间特征和区域特征;
基于每一台所述物流机器人的运行状态,提取电量特征、执行任务时长特征;
基于所述时间特征、区域特征、电量特征以及执行任务时长特征,利用预构建的物流预测模型进行实时预测;
并基于实时预测结果,对所述物流机器人集群调度策略进行优化。
9.一种物流机器人集群调度装置,其特征在于,所述装置包括:
数据获取模块,用于获取用户终端上传的目标任务信息和每一台所述物流机器人上传的机器人数据信息;
策略生成模块,用于根据所述目标任务信息、每一台所述物流机器人上传的机器人数据信息,以及预获取的物流场景地图数据,利用预设任务调度工具生成物流机器人集群调度策略;
策略下发模块,用于将所述物流机器人集群调度策略分发至多台所述物流机器人中的一台或多台物流机器人,用以所述一台或多台物流机器人根据所述物流机器人集群调度策略运行相应的物流调度任务。
10.一种调度服务器,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一项所述的物流机器人集群调度方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-8任一项所述的物流机器人集群调度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146069.9A CN118014274A (zh) | 2024-02-01 | 2024-02-01 | 一种物流机器人集群调度方法、装置及调度服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146069.9A CN118014274A (zh) | 2024-02-01 | 2024-02-01 | 一种物流机器人集群调度方法、装置及调度服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014274A true CN118014274A (zh) | 2024-05-10 |
Family
ID=90945877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146069.9A Pending CN118014274A (zh) | 2024-02-01 | 2024-02-01 | 一种物流机器人集群调度方法、装置及调度服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014274A (zh) |
-
2024
- 2024-02-01 CN CN202410146069.9A patent/CN118014274A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
JP6891314B2 (ja) | 搬送デバイスの移動を制御する方法、システムおよび装置 | |
Kabir et al. | Comparative analysis of different routing heuristics for the battery management of automated guided vehicles | |
JP6757490B2 (ja) | 倉庫における品目のパレットの自律的入れ替え | |
JP6759512B2 (ja) | カスタマイズ可能な目標に基づく倉庫レイアウトの最適化 | |
US10209711B1 (en) | Techniques for contention resolution for mobile drive units | |
US20210078175A1 (en) | Method, server and storage medium for robot routing | |
CN108960506B (zh) | 一种机器人调度方法、装置、服务器和存储介质 | |
US9663292B1 (en) | Forecasted robotic drive unit dispatch | |
JP2019531990A (ja) | 倉庫におけるパレットの品物の自動まとめ | |
US20180349850A1 (en) | Transport Plan Generating Method and Transport Plan Generating System | |
CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
CN114415610B (zh) | 机器人的调度方法、装置、电子设备及存储介质 | |
CN115271556B (zh) | 机器人任务调度方法、装置、可读存储介质及电子设备 | |
CN113408773A (zh) | 运输车充电调度控制方法及装置 | |
Singh et al. | A reinforcement learning based algorithm for multi-hop ride-sharing: Model-free approach | |
Lu et al. | The role of distributed intelligence in warehouse management systems | |
CN114611896A (zh) | 机器人任务调度方法、计算机设备及存储介质 | |
Naumov et al. | Model of the delivery routes forming process as a service provided by forwarding companies | |
US20240004403A1 (en) | Battery charge state based mission assignment for autonomous mobile robots | |
Yu et al. | A parallel algorithm for multi-AGV systems | |
Le-Anh et al. | Performance evaluation of dynamic scheduling approaches in vehicle-based internal transport systems | |
Klaas et al. | Simulation aided, knowledge based routing for AGVs in a distribution warehouse | |
CN114358672A (zh) | 巷道整理方法、装置、电子设备和计算机可读介质 | |
Hu et al. | A decomposition method to analyze the performance of frame bridge based automated container terminal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |